面向推荐系统的稀疏矩阵填充算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 推荐系统 | 第12-13页 |
| 1.2.2 矩阵填充 | 第13-14页 |
| 1.2.3 聚类分析 | 第14-16页 |
| 1.3 论文主要研究内容 | 第16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第2章 相关理论与研究方法 | 第18-32页 |
| 2.1 推荐系统 | 第18-22页 |
| 2.1.1 推荐系统概念 | 第18-19页 |
| 2.1.2 基于内存的协同过滤推荐 | 第19-22页 |
| 2.1.3 基于模型的协同过滤推荐 | 第22页 |
| 2.2 矩阵分解 | 第22-26页 |
| 2.2.1 矩阵分解概念 | 第22-24页 |
| 2.2.2 标准矩阵分解 | 第24-25页 |
| 2.2.3 矩阵分解在推荐系统中的应用 | 第25-26页 |
| 2.3 聚类 | 第26-30页 |
| 2.3.1 聚类分析 | 第26-28页 |
| 2.3.2 聚类集成 | 第28-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 面向推荐系统的稀疏矩阵填充算法研究 | 第32-48页 |
| 3.1 不同源数据聚类集成算法 | 第32-40页 |
| 3.1.1 传统聚类算法在推荐系统中的不足 | 第32-33页 |
| 3.1.2 训练基模型 | 第33-34页 |
| 3.1.3 一致性集成 | 第34-37页 |
| 3.1.4 不同源数据聚类集成算法描述 | 第37-40页 |
| 3.2 基于矩阵分解的推荐系统 | 第40-44页 |
| 3.2.1 传统矩阵分解模型 | 第40-41页 |
| 3.2.2 传统矩阵分解模型的不足 | 第41-42页 |
| 3.2.3 融合不同源聚类集成的矩阵分解 | 第42-44页 |
| 3.3 面向推荐系统的稀疏矩阵填充算法描述 | 第44-46页 |
| 3.4 本章小结 | 第46-48页 |
| 第4章 实验与结果分析 | 第48-60页 |
| 4.1 实验环境 | 第48页 |
| 4.2 评价标准及实验数据集 | 第48-51页 |
| 4.2.1 评价标准 | 第48-50页 |
| 4.2.2 实验数据集 | 第50-51页 |
| 4.3 实验设计 | 第51页 |
| 4.4 实验结果与分析 | 第51-58页 |
| 4.4.1 在MovieLens数据集上实验 | 第51-55页 |
| 4.4.2 在网络电商数据集上实验 | 第55-58页 |
| 4.5 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67页 |
